Analiza danych – współczynnik urodzeń

Teraz wykorzystasz swoje nowe umiejętności, aby starannie dopasować model SARIMA do szeregu czasowego birth z pakietu astsa. Dane przedstawiają miesięczną liczbę żywych urodzeń (skorygowaną) w tysiącach dla Stanów Zjednoczonych w latach 1948–1979 i obejmują wyż demograficzny po II wojnie światowej.

Szereg birth jest wykreślony w konsoli R. Zwróć uwagę na długoterminowy trend (błądzenie losowe) oraz sezonowy składnik danych.

To ćwiczenie jest częścią kursu

Modele ARIMA w R

Instrukcje do ćwiczenia

Użyj funkcji diff(), aby zróżnicować dane (d_birth). Następnie użyj acf2(), aby wyświetlić próbkową ACF i PACF tych danych do opóźnienia 60. Zauważ sezonową persistencję.
Użyj kolejnego wywołania diff(), aby wyznaczyć sezonową różnicę danych. Zapisz wynik jako dd_birth. Wywołaj ponownie acf2(), aby wyświetlić ACF i PACF tych danych – również do opóźnienia 60. Stwierdź, że model SARIMA(0,1,1)x(0,1,1)₁₂ wydaje się rozsądnym wyborem.
Dopasuj model SARIMA(0,1,1)x(0,1,1)₁₂. Co się dzieje?
Dodaj dodatkowy parametr AR (niesezonowy, p = 1), aby uwzględnić dodatkową korelację. Czy model dobrze dopasowuje dane?

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Plot P/ACF to lag 60 of differenced data
d_birth <- diff(birth)


# Plot P/ACF to lag 60 of seasonal differenced data
dd_birth <- diff(d_birth, lag = 12)


# Fit SARIMA(0,1,1)x(0,1,1)_12. What happens?


# Add AR term and conclude

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Modele ARIMA w R

SkillTag.level.beginnerSkillTag.label

4.9+

Rozpocznij kurs za darmo

Zbadasz naturę danych szeregów czasowych i poznasz podstawy modeli ARMA, które pozwalają opisać zachowanie takich danych. Nauczysz się podstawowych poleceń R potrzebnych do przekształcenia surowych danych szeregów czasowych do postaci gotowej do analizy przy użyciu modeli ARMA.

Exercise 1: Zacznijmy od podstaw Exercise 2: Zabawa z danymi Exercise 3: Elementy szeregu czasowego Exercise 4: Stacjonarność i niestacjonarność Exercise 5: Różnicowanie Exercise 6: Usuwanie trendu z danych Exercise 7: Trend i heteroskedastyczność – jak sobie z nimi radzić Exercise 8: Stacjonarne szeregi czasowe: ARMA Exercise 9: Symulowanie modeli ARMA

Odkryjesz świat modeli ARMA i poznasz metody dopasowywania ich do danych szeregów czasowych. Nauczysz się identyfikować model, wybierać właściwy model oraz weryfikować go po dopasowaniu do danych. Poznasz polecenia R do analizy szeregów czasowych z pakietów stats i astsa.

Exercise 1: Modele AR i MA Exercise 2: Dopasowywanie modelu AR(1)Exercise 3: Dopasowywanie modelu AR(2)Exercise 4: Dopasowywanie modelu MA(1)Exercise 5: AR i MA razem Exercise 6: Dopasowywanie modelu ARMA Exercise 7: Identyfikacja modelu ARMA Exercise 8: Wybór modelu i analiza reszt Exercise 9: Wybór modelu – I Exercise 10: Wybór modelu – II Exercise 11: Analiza reszt – I Exercise 12: Analiza reszt – II Exercise 13: Czas na ARMA

Skoro wiesz już, jak dopasowywać modele ARMA do stacjonarnych szeregów czasowych, teraz poznasz zintegrowane modele ARMA (ARIMA) przeznaczone do niestacjonarnych szeregów czasowych. Dopasujesz te modele do rzeczywistych danych, korzystając z poleceń R z pakietów stats i astsa.

Exercise 1: ARIMA – zintegrowany ARMA Exercise 2: ARIMA – podłącz i uruchom Exercise 3: Symulowane ARIMA Exercise 4: Globalne ocieplenie Exercise 5: Diagnostyka modeli ARIMA Exercise 6: Diagnostyka – symulowane nadmierne dopasowanie Exercise 7: Diagnostyka – temperatury globalne Exercise 8: Prognozowanie ARIMA Exercise 9: Prognozowanie symulowanych danych ARIMA Exercise 10: Prognozowanie globalnych temperatur

Nauczysz się dopasowywać sezonowe modele ARIMA i prognozować sezonowe szeregi czasowe. Wykorzystasz wiedzę zdobytą w poprzednich rozdziałach i rozszerzysz ją o nowe możliwości poleceń R dostępnych w pakietach stats i astsa.

Exercise 1: Czyste modele sezonowe Exercise 2: ACF i PACF czystych modeli sezonowych Exercise 3: Dopasuj czysty model sezonowy Exercise 4: Mieszane modele sezonowe Exercise 5: Dopasuj mieszany model sezonowy Exercise 6: Analiza danych – bezrobocie I Exercise 7: Analiza danych – bezrobocie II Exercise 8: Analiza danych – ceny surowców Exercise 9: Analiza danych – współczynnik urodzeń

Bieżące ćwiczenie

Exercise 10: Prognozowanie sezonowego modelu ARIMA Exercise 11: Prognozowanie miesięcznego bezrobocia Exercise 12: Jak trudno jest prognozować ceny surowców?Exercise 13: Gratulacje!